本文提出了一种名为 PLOP 的方法，使用了多尺度池化蒸馏技术，在特征级别上保留了长程和短程空间关系，并设计了一种基于熵的伪标签方法来处理背景变化和避免旧类的灾难性遗忘，并引入了一种新的排练方法，特别适用于分割。在现有的连续语境场景以及新的提出的具有挑战性的基准测试中，我们的方法显着优于现有的最先进方法。

Jun, 2021

提出一种基于决策实现的、新式的样本选择机制，以维护记忆缓冲区，有效地减轻了 CSS 中忘却现象的影响，使得算法具备了最先进的性能表现。

Apr, 2023

通过提出 Local POD 算法和基于熵的伪标记方法 PLOP，解决了在连续学习的语义分割任务中遗忘问题和背景漂移问题，提高了模型的性能。

Nov, 2020

连续学习在深度学习和人工智能系统中具有突破性意义，本文以连续语义分割为例，全面调查其问题形式、主要挑战、通用数据集、新理论和多样应用，并分类整理了当前 CSS 模型中的数据回放和无数据集两个主要分支方法，并提供了具有不同应用场景和发展趋势的四个 CSS 特性。

Oct, 2023

本文探讨了深度架构在更新模型上的遗忘问题和在语义分割中的特殊性，提出了一种基于蒸馏的框架解决语义分割中的背景类语义分布不一致的问题，并引入了一种新的分类器参数初始化策略，最终在 Pascal-VOC 2012 和 ADE20K 数据集上显著优于现有的增量学习方法。

Feb, 2020

本研究提出了一种新的针对少样本分割的预训练方案，通过将新颖类别与背景解耦来解决合并背景问题，称为背景聚类预训练（BCPT），实验证明 BCPT 在 PASCAL-5i 和 COCO-20i 数据集上获得了先进的性能表现。

Dec, 2023

本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

Apr, 2021

本篇论文提出一种称作 “背景可学习级联” 的框架，采用级联语义 R-CNN 和背景可学习区域建议网络（BLRPN）结构，以改善零样本目标检测的性能，实验结果表明，该方法在 MS-COCO 上显著优于现有的方法。

Oct, 2020

本研究提出了一种 Gradient-Semantic Compensation (GSC) 模型，从梯度和语义的角度克服了增量语义分割中的灾难性遗忘和背景转移问题。通过重新加权梯度反向传播来平衡先前训练类别的遗忘速度，同时提出了软锐语义关系蒸馏来减轻语义方面的灾难性遗忘，并使用原型伪重新标签方法提供强大的语义引导以减轻背景转移问题。在 Pascal VOC 2012、ADE20K 和 Cityscapes 三个公共数据集上的大量实验证明了提出的 GSC 模型的有效性。

Jul, 2023

提出了一种 Endoscopy Continual Semantic Segmentation (EndoCSS) 框架，通过迭代生成模型的伪回放图像和自适应噪声交叉熵损失，解决内镜图像分割中因类别增量引起的灾难性遗忘问题。通过在公共数据集上进行大量的持续语义分割实验，证明了该方法能够有效地应对内镜场景中的灾难性遗忘问题，并具有在流式学习方式下进行实际部署的巨大潜力。

Aug, 2023